paligemma-3b-pt-448

paligemma-3b-pt-448

多语言视觉语言模型 适用于多种图像相关任务

PaliGemma-3b-pt-448是一款结合SigLIP视觉模型和Gemma语言模型的多语言视觉语言模型。该模型支持图像和文本输入,生成文本输出,适用于图像描述、视觉问答和文本阅读等任务。在多项基准测试中表现优异,尤其擅长处理高分辨率图像。研究人员和开发者可将其作为预训练模型,用于微调各类视觉语言应用。

模型图像文本生成多语言支持GithubPaliGemma微调视觉语言模型Huggingface开源项目

PaliGemma-3b-pt-448项目介绍

项目概述

PaliGemma-3b-pt-448是一个由Google开发的多功能、轻量级的视觉-语言模型(VLM)。这个模型是基于开放组件如SigLIP视觉模型和Gemma语言模型而构建的。它能够同时接受图像和文本作为输入,并生成文本作为输出,支持多种语言。该模型旨在通过微调在广泛的视觉-语言任务上实现领先的性能,如图像和短视频字幕、视觉问答、文本阅读、目标检测和目标分割等。

模型架构

PaliGemma-3b-pt-448模型由一个Transformer解码器和一个Vision Transformer图像编码器组成,总共有30亿个参数。文本解码器是基于Gemma-2B初始化的,而图像编码器则是基于SigLIP-So400m/14初始化的。整个模型是按照PaLI-3的方法进行训练的。

输入与输出

  • 输入:图像和文本字符串,如描述图像的提示或问题。
  • 输出:根据输入生成的文本,如图像描述、问题答案、目标边界框坐标列表或分割代码字。

预训练数据集

PaliGemma-3b-pt-448模型在多个数据集上进行了预训练,包括:

  • WebLI:一个大规模的多语言图像-文本数据集
  • CC3M-35L:来自网页的英语图像-文本对,并翻译成34种额外语言
  • VQ²A-CC3M-35L/VQG-CC3M-35L:VQ2A-CC3M的子集,翻译成34种额外语言
  • OpenImages:基于OpenImages数据集生成的检测和目标感知问答
  • WIT:从维基百科收集的图像和文本

数据处理

在训练过程中,项目团队对WebLI数据集应用了多种过滤方法,以确保训练数据的清洁度:

  • 色情图像过滤
  • 文本安全过滤
  • 文本毒性过滤
  • 个人信息过滤
  • 其他基于内容质量和安全性的方法

使用方法

PaliGemma-3b-pt-448模型主要设计用于微调特定任务,而不是直接使用。用户可以通过任务前缀(如"detect"或"segment")来配置模型要解决的任务。对于交互式测试,可以使用经过多任务微调的"mix"系列模型。

在Transformers库中使用

该模型可以通过Transformers库轻松加载和使用。用户可以选择在CPU上运行默认精度(float32)的模型,或在CUDA设备上运行bfloat16或float16精度的模型。此外,还支持4位和8位量化推理,以进一步优化性能和内存使用。

评估结果

PaliGemma-3b-pt-448模型在多个基准测试中展现出了优秀的性能,包括图像描述、问答、视觉推理等任务。这些评估结果表明,该模型具有强大的迁移学习能力,可以适应各种视觉-语言任务。

总的来说,PaliGemma-3b-pt-448是一个功能强大、灵活多用的视觉-语言模型,为研究人员和开发者提供了一个优秀的工具,可用于各种复杂的多模态任务。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多